『Plotly实战指南』–折线图绘制进阶篇

技术分享 11个月前 (03-19) 0 999+

关注

上一篇介绍了Plotly绘制折线图的基础知识和数据预处理的技巧，

本文将重点探讨如何利用Plotly实现多线折线图的布局设计以及动态折线图的实现，

让我们一起掌握进阶的折线图绘制技巧。

1. 多折线图布局

在实际的数据分析场景中，常常需要同时展示多组数据，例如对比不同产品的销售趋势、不同地区的温度变化等。

这种多变量对比或时间序列对比的场景非常适合使用多线折线图。

然而，如何合理安排多组数据在同一图表中的展示，避免折线重叠或混乱，是布局规划的关键。

1.1. 布局的要点

假设我们有一组数据，记录了不同城市的月平均气温。

我们需要在同一张图表中展示这些城市的气温变化趋势，以便进行对比分析。

针对这个示例，布局图形的要点是：

利用子图（Subplots）或分层布局：如果数据组较多，可以使用子图将它们分层展示，避免图表过于拥挤。Plotly的make_subplots函数可以帮助我们轻松创建子图布局。
合理安排图例位置：确保图例清晰易读，避免遮挡折线。
调整坐标轴范围：根据数据的最大值和最小值，合理设置坐标轴范围，使折线图更加美观。

import plotly.graph_objects as go from plotly.subplots import make_subplots  # 示例数据 city1 = [20, 22, 25, 28, 30, 32, 35, 34, 30, 26, 22, 20] city2 = [15, 18, 20, 22, 25, 28, 30, 29, 25, 22, 18, 15] city3 = [10, 12, 15, 18, 20, 22, 25, 24, 20, 18, 15, 12] months = [     "1月",     "2月",     "3月",     "4月",     "5月",     "6月",     "7月",     "8月",     "9月",     "10月",     "11月",     "12月", ]  # 创建子图布局 fig = make_subplots(rows=1, cols=3, subplot_titles=("南京", "北京", "西安"))  # 添加折线图 fig.add_trace(go.Scatter(x=months, y=city1, name="南京"), row=1, col=1) fig.add_trace(go.Scatter(x=months, y=city2, name="北京"), row=1, col=2) fig.add_trace(go.Scatter(x=months, y=city3, name="西安"), row=1, col=3)  # 更新布局 fig.update_layout(height=400, width=900, title_text="每月平均气温比较") fig.show()

通过子图布局，我们可以清晰地展示不同城市的气温变化趋势，避免了折线之间的相互干扰。

1.2. 颜色与样式的选择

在多折线图中，除了使用子图布局的方式，也可以将所有的折线绘制在一个图中，这时，颜色和样式的设计对于提升图表的可读性就至关重要。

对于颜色的选择与搭配：

根据数据特点选择颜色：例如，对于温度数据，可以使用冷暖色调来区分不同的城市。
使用Plotly的颜色库或自定义颜色：Plotly提供了丰富的颜色库，也可以通过十六进制代码自定义颜色。

对于折线演示的设计：

线型的使用技巧：实线、虚线、点线等不同线型可以用于区分不同的数据组。
线宽与标记点的设置：适当增加线宽或添加标记点可以突出关键数据。

import plotly.graph_objects as go  # 示例数据 city1 = [20, 22, 25, 28, 30, 32, 35, 34, 30, 26, 22, 20] city2 = [15, 18, 20, 22, 25, 28, 30, 29, 25, 22, 18, 15] city3 = [10, 12, 15, 18, 20, 22, 25, 24, 20, 18, 15, 12] months = [     "1月",     "2月",     "3月",     "4月",     "5月",     "6月",     "7月",     "8月",     "9月",     "10月",     "11月",     "12月", ]  # 创建折线图 fig = go.Figure()  # 添加折线 fig.add_trace(     go.Scatter(         x=months,         y=city1,         mode="lines+markers",         name="南京",         line=dict(color="red", dash="solid", width=2),         marker=dict(size=8, color="red"),     ) ) fig.add_trace(     go.Scatter(         x=months,         y=city2,         mode="lines+markers",         name="北京",         line=dict(color="blue", dash="dash", width=2),         marker=dict(size=8, color="blue"),     ) ) fig.add_trace(     go.Scatter(         x=months,         y=city3,         mode="lines+markers",         name="西安",         line=dict(color="green", dash="dot", width=2),         marker=dict(size=8, color="green"),     ) )  # 更新布局 fig.update_layout(     title="每月平均气温比较",     xaxis_title="月份",     yaxis_title="温度 (°C)", ) fig.show()

通过不同的颜色和线型，我们可以清晰地区分不同城市的气温变化趋势，提升图表的可读性。

2. 动态折线图

在数据分析中，动画效果可以帮助我们更直观地展示数据随时间的变化趋势，例如展示股票价格的波动或温度的季节性变化。

动画效果不仅能够吸引用户的注意力，还能帮助用户更好地理解数据的变化过程。

动画可以清晰地展示数据的动态变化趋势，而不是仅仅展示静态的结果。

2.1. 动态折线图实现

Plotly提供了强大的动画功能，可以轻松实现动态效果。

可以通过设置帧率、过渡效果等参数来控制动画的播放效果。

import plotly.graph_objects as go  # 示例数据 x = [1, 2, 3, 4, 5] y1 = [1, 4, 9, 16, 25] y2 = [2, 5, 8, 11, 14] frames = [     go.Frame(         data=[             go.Scatter(                 x=x[: i + 1], y=y1[: i + 1], mode="lines+markers", name="Line 1"             ),             go.Scatter(                 x=x[: i + 1], y=y2[: i + 1], mode="lines+markers", name="Line 2"             ),         ],         name=f"frame{i}",     )     for i in range(len(x)) ]  # 创建动画 fig = go.Figure(     data=[         go.Scatter(x=x[:1], y=y1[:1], mode="lines+markers", name="Line 1"),         go.Scatter(x=x[:1], y=y2[:1], mode="lines+markers", name="Line 2"),     ],     frames=frames, )  # 更新布局 fig.update_layout(     title="动态折线图",     xaxis_title="X",     yaxis_title="Y",     updatemenus=[         dict(             type="buttons",             buttons=[                 dict(                     label="播放",                     method="animate",                     args=[                         None,                         {                             "frame": {"duration": 500, "redraw": True},                             "fromcurrent": True,                             "transition": {"duration": 0},                         },                     ],                 ),                 dict(                     label="暂停",                     method="animate",                     args=[                         [None],                         {                             "frame": {"duration": 0, "redraw": False},                             "mode": "immediate",                             "transition": {"duration": 0},                         },                     ],                 ),             ],         )     ], )  fig.show()

通过动画效果，我们可以清晰地看到两条折线随时间的变化趋势，帮助用户更好地理解数据的动态特征。

2.2. 交互式动态图

交互式图表可以让用户根据自己的需求选择展示的数据，增强了用户与数据之间的互动性。

例如，用户可以通过滑块调整时间范围，或者通过下拉菜单选择不同的变量进行对比，从而更加灵活地探索数据。

Plotly提供了丰富的交互工具，可以实现动态更新图表数据的功能。

通过结合这些工具，可以为用户创建高度定制化的交互体验。

import plotly.graph_objects as go import numpy as np  # 示例数据 x = np.linspace(0, 10, 100) half = 50 y1 = np.sin(x[:half]) y2 = np.cos(x[half:])  fig = go.Figure() # 创建交互式图表 for i in range(half):     fig.add_trace(go.Scatter(x=x[:i], y=y1, mode="lines", name="sin(x)", visible=False))  for i in range(half, 100):     fig.add_trace(         go.Scatter(x=x[half:i], y=y2, mode="lines", name="cos(x)", visible=False)     )  # 添加滑块 steps = [] for i in range(half):     step = dict(         method="update",         args=[{"visible": [False] * len(x)}, {"title": f"x = {x[i]:.2f}"}],         label=f"{x[i]:.2f}",     )     step["args"][0]["visible"][i] = True     step["args"][0]["visible"][i + half] = True     steps.append(step)  sliders = [     dict(active=0, currentvalue={"prefix": "Time: "}, pad={"t": 50}, steps=steps) ]  fig.update_layout(sliders=sliders) fig.show()